Dit artikel presenteert een model-agnostische methode voor het produceren van vastgoedprijsindexcijfers. De motivatie hiervoor is om niet-lineaire en niet-parametrische modellen, zoals Machine Learning (ML), op te nemen in de verzameling van algoritmen om prijsindexcijfers te berekenen.
De belangrijkste innovatie is het gebruik van individuele out-of-time voorspellingsfouten om prijsveranderingen te meten. De in deze studie gebruikte gegevens bestaan uit 29.998 commerciële vastgoedtransacties in New York, in de periode 2000-2019. De resultaten geven aan dat de voorspellingsnauwkeurigheid hoger is voor de ML-modellen in vergelijking met lineaire modellen. Aan de andere kant zijn ML-algoritmen meer afhankelijk van de gegevens die worden gebruikt voor de kalibratie; ze produceren minder stabiele resultaten wanneer ze worden toegepast op kleine steekproeven en kunnen bias vertonen. Daarom moeten maatregelen worden genomen om de bias te verminderen, rekening houdend met de bias- en variantie trade-off.
Download whitepaper (in het Engels)
Auteurs:
- Felipe D. Calainho, PhD kandidaat, University of Amsterdam Business School
- Alex M. van de Minne, Research Scientist MIT Center for Real Estate
- Marc K. Francke, University of Amsterdam - Faculty of Economics and Business and Ortec Finance
Vragen?
Neem gerust contact met Marc Francke op als je vragen hebt over de paper.Gerelateerde insights
Contact
Contact

Marc Francke
Head of Real Estate Research